Машинное обучение связывает состав материалов и производительность в катализаторах

В открытии, которое может помочь проложить путь к более чистому топливу и более устойчивой химической промышленности, исследователи из Мичиганского университета использовали машинное обучение, чтобы предсказать, как состав металлических сплавов и оксидов металлов влияет на их электронные структуры.


Электронная структура является ключом к пониманию того, как материал будет действовать как посредник или химических реакций.

«Мы учимся определять отпечатки пальцев материалов и связывать их с характеристиками материала», – сказал Брайан Голдсмит, доцент кафедры химической инженерии Dow Corning.

Лучшая способность предсказать, какие металлы и составы оксидов металлов лучше всего подходят для определения реакций, которые могут улучшить крупномасштабные химические процессы, такие как производство водорода, производство других видов топлива и удобрений, а также производство бытовой химии, такой как средство для мытья посуды.

«Целью нашего исследования является прогнозных моделей, которые будут связывать геометрию катализатора с его характеристиками. Такие модели являются центральными при разработке новых катализаторов для критических химических превращений», – сказал Сульо Линич, профессор кафедры Мартина Льюиса Перла. Химическая инженерия.

Один из основных подходов к прогнозированию поведения материала в качестве потенциального посредника химической реакции – это анализ его электронной структуры, в частности плотности состояний. Это описывает, сколько квантовых состояний доступно электронам в реагирующих молекулах, и энергии этих состояний.

Обычно плотность электронных состояний описывается сводной статистикой – средней энергией или перекосом, которая показывает, находится ли большее количество электронных состояний выше или ниже среднего и т. Д.

«Это нормально, но это всего лишь простая статистика. Вы можете что-то упустить. С помощью анализа основных компонентов вы просто учитываете все и находите то, что важно. Вы не просто выбрасываете информацию», – сказал Голдсмит.

Анализ главных компонентов – это классический метод машинного обучения, изучаемый на вводных курсах по науке о данных. Они использовали плотность электронных состояний в качестве входных данных для модели, поскольку плотность состояний является хорошим предиктором того, как поверхность катализатора будет адсорбировать или связываться с атомами и молекулами, которые служат реагентами. Модель связывает плотность состояний с составом материала.

0 Комментарий
Inline Feedbacks
View all comments